Wpływ Social Media na życia studentów
1 Wprowadzenie
W dobie powszechnej cyfryzacji media społecznościowe stały się nieodłącznym elementem codzienności akademickiej, kształtując sposób, w jaki studenci komunikują się, spędzają wolny czas i budują relacje. Celem niniejszego raportu jest wielowymiarowa analiza wpływu korzystania z platform społecznościowych na dobrostan studentów. Szczególny nacisk położono na zbadanie korelacji między czasem ekranowym a zdrowiem psychicznym, jakością snu oraz wynikami w nauce.
Raport zawiera przegląd kluczowych statystyk, wizualizację rozkładu zmiennych oraz wnioski płynące z analizy zależności między cechami demograficznymi a wzorcami zachowań cyfrowych. Analizowany zbiór danych składa się z 705 obserwacji oraz 13 zmiennych, obejmujących m.in. dane demograficzne, preferowane platformy, czas użytkowania oraz wskaźniki subiektywnego poczucia uzależnienia.
Projekt pomoże odpowiedzieć na postawione przez nas pytania badawcze, takie jak: - Czy istnieje statystycznie istotna zależność między poziomem uzależnienia od social mediów a zdrowiem psychicznym studentów, - Jak korzystanie z mediów społecznościowych wpływa na wyniki akademickie? -
1.1 Opis danych
Analizowany zbiór danych składa się z 13 zmiennych dotyczących studentów z różnych krajów. Dane obejmują trzy kluczowe obszary:
Demografię (m.in. wiek, płeć, poziom edukacji).
Aktywność w sieci (średni czas korzystania, najczęściej używana platforma).
Wskaźniki dobrostanu (poziom uzależnienia, ocena zdrowia psychicznego, jakość snu oraz wpływ na wyniki w nauce).
Zbiór jest kompletny i nie zawiera brakujących wartości.
2 Porządkowanie danych
2.1 Braki danych
W danych znajduje się 100 % kompletnych wartości.
2.2 Walidacja danych
- czy wiek przyjmuje wartości od 16 - 25?
- czy godziny przyjmują wartości 0 - 24?
- czy wszystkie wartości liczbowe są większe od 0?
- czy mental health score i addicted score przyjmują wartości 1 - 10?
- płeć - kobieta lub mężczyzna?
- poziom wykształcenia - szkoła średnia, studia I stopnia lub studia II stopnia
- status związku - wolny, w związku, “to skomplikowane”
- czy wpływa na wyniki akademickie - tak lub nie?
reguly <- validator(
Age >= 16 & Age <= 25,
Gender %in% c("Female", "Male"),
Academic_Level %in% c("High School", "Undergraduate", "Graduate"),
Avg_Daily_Usage_Hours > 0 & Avg_Daily_Usage_Hours < 24,
Affects_Academic_Performance %in% c("Yes", "No"),
Sleep_Hours_Per_Night >= 0 & Sleep_Hours_Per_Night <= 24,
Mental_Health_Score >= 1 & Mental_Health_Score<=10,
Relationship_Status %in% c("In Relationship", "Single", "Complicated"),
Addicted_Score >= 1 & Addicted_Score <= 10
)## Warning: The 'barplot' method for confrontation objects is deprecated. Use
## 'plot' instead
3 Wizualizacja danych
3.1 Charakterystyka demograficzna badanej grupy studenckiej
3.1.1 Rozkład Płci i Poziomu Akademickiego
dane$Academic_Level <- factor(dane$Academic_Level,
levels = c("High School", "Undergraduate", "Graduate"))
dane$Gender <- factor(dane$Gender,
levels = c("Male", "Female")
)
ggplot(dane, aes(x = Academic_Level, fill=Gender)) +
geom_bar(position = "dodge") +
labs(title = "Rozkład płci i poziomu akademickiego",
x = "Poziom akademicki",
y = "Liczba studentów") +
theme_minimal()Analiza struktury demograficznej wskazuje na równomierny rozkład płci (blisko 50/50), natomiast w podziale na poziom edukacji przeważają osoby na studiach I i II stopnia, stanowiąc łącznie ponad 96% próby.
3.1.2 Wiek badanych
ggplot(dane, aes(x = Age)) +
geom_histogram(binwidth = 0.5, fill = "skyblue", color = "black") +
labs(title = "Wiek badanych studentów",
x = "Wiek",
y = "Liczba studentów") +
theme_minimal()Większość badanych to osoby w wieku od 19 do 23 lat, co wskazuje na silną koncentrację danych wokół typowego wieku studenckiego. Średnia wieku w próbie wynosi około 21 lat.
4 Statystyki opisowe
4.1 Tendencja centralna dla zmiennej Addicted Score
| platform | boxplot | histogram | points1 |
|---|---|---|---|
| KakaoTalk | |||
| LINE | |||
| Snapchat | |||
| TikTok | |||
| VKontakte | |||
| YouTube |
raport <- list("Addicted Score" =
list("Min"= ~ min(Addicted_Score),
"Max"= ~ max(Addicted_Score),
"Q1"= ~ quantile(Addicted_Score,0.25),
"Mediana"= ~ round(median(Addicted_Score),2),
"Q3"= ~ quantile(Addicted_Score,0.75),
"Średnia"= ~ round(mean(Addicted_Score),2),
"Odch. std."= ~ round(sd(Addicted_Score),2),
"IQR"= ~ round(IQR(Addicted_Score),2),
"Odch. ćwiartkowe"=~round(IQR(Addicted_Score)/2,2),
"Odch. std. w %"=~round((sd(Addicted_Score)/mean(Addicted_Score)),2), "Odch. ćwiartkowe w %"=~round((IQR(Addicted_Score)/median(Addicted_Score)),2), "Skośność"=~round(skew(Addicted_Score),2), "Kurtoza"=~round(kurtosi(Addicted_Score),2) ))
tabela_gender <- dane %>%
group_by(Gender) %>%
summarise(
Min = min(Addicted_Score),
Q1 = quantile(Addicted_Score, 0.25),
Mediana = median(Addicted_Score),
Q3 = quantile(Addicted_Score, 0.75),
Max = max(Addicted_Score),
Średnia = mean(Addicted_Score),
SD = sd(Addicted_Score),
Skośność = psych::skew(Addicted_Score),
Kurtoza = psych::kurtosi(Addicted_Score)
)
kable(tabela_gender,
digits = 2,
caption = "Tabela 4.2. Statystyki opisowe Addicted_Score w podziale na płeć") %>%
kable_paper("striped", full_width = FALSE)| Gender | Min | Q1 | Mediana | Q3 | Max | Średnia | SD | Skośność | Kurtoza |
|---|---|---|---|---|---|---|---|---|---|
| Male | 2 | 5 | 7 | 7 | 9 | 6.36 | 1.45 | -0.45 | -0.82 |
| Female | 3 | 5 | 7 | 8 | 9 | 6.52 | 1.71 | -0.24 | -1.05 |
library(ggstatsplot)
5 Wnioskowanie statystyczne
anova <- aov(Mental_Health_Score ~ Most_Used_Platform, data=dane)
dane |> aov(Mental_Health_Score ~ Most_Used_Platform, data=_) |> tidy() |> kbl() |> kable_classic(full_width = FALSE, html_font=“Cambria”)
3.4 Social media a zdrowie psychiczne
Wykres przedstawia linię regresji liniowej obrazującą zależność pomiędzy poziomem uzależnienia od social mediów a zdrowiem psychicznym studentów. Wraz ze wzrostem poziomu uzależnienia obserwuje się spadek wyników zdrowia psychicznego.